이 논문에서는 직교 랜덤 특징(ORF)이 가우시안 커널이 아닌 베셀 커널을 근사화한다는 것을 보여주고, ORF의 편향과 분산에 대한 명시적인 표현식을 제공하며, ORF가 랜덤 푸리에 특징(RFF)보다 분산이 적다는 것을 입증합니다.
분자 머신러닝에서 대상 분자와 유사한 원자 환경을 가진 작은 분자들을 효율적으로 선택하여 훈련 세트를 구축하는 정수 선형 프로그래밍(ILP) 기반 알고리즘을 소개하며, 이는 특히 대상 분자의 크기가 훈련 세트보다 큰 경우 기존 방법보다 우수한 성능을 보입니다.
Diffusion-PINN 샘플러(DPS)는 역 확산 프로세스를 사용하여 복잡한 분포에서 효율적으로 샘플링하는 새로운 알고리즘으로, 특히 기존 방법들이 어려움을 겪는 고립된 구성 요소를 포함하는 표적 분포에서 혼합 비율을 정확하게 식별하는 데 뛰어난 성능을 보입니다.
본 연구는 소셜 미디어에서 우울증 감지를 위해 사용되는 머신 러닝 및 딥 러닝 모델의 편향과 방법론적 문제점을 체계적으로 검토하여, 데이터 편향, 전처리 방법, 모델 개발 및 평가 전반에 걸쳐 개선의 필요성을 강조합니다.
본 논문에서는 로컬 차등 개인정보 보호를 제공하면서도 중앙 집중식 차등 개인정보 보호 방식에 필적하는 개인정보 보호-유용성 trade-off를 달성하는 새로운 분산 행렬 메커니즘(DMM)을 제안합니다.
SeaDAG는 그래프의 현실성과 조건 충족을 동시에 달성하기 위해 그래프의 계층적 특성을 활용하고 조건 학습을 훈련 과정에 통합하는 새로운 준자기회귀 확산 모델입니다.
대규모 언어 모델(LLM)을 활용하여 StarCraft Multi-Agent Challenge (SMAC) 작업을 해결하는 새로운 프레임워크인 LLM-SMAC을 제안하며, 이는 최소한의 환경 탐색으로 고품질의 해석 가능한 결정 트리 모델을 생성하고 강력한 전이 학습 능력을 보여줍니다.
본 논문에서는 마르코프 결정 과정(MDP)에서 미니맥스 리그렛에 대한 정보 이론적 한계를 유도하고, 쌍대성 원리를 사용하여 미니맥스 리그렛과 최소 베이지안 리그렛 간의 관계를 규명합니다.
본 논문에서는 다양한 반응 시간을 가진 시계열 데이터에서 이상 현상을 예측하고 탐지하기 위해 다중 스케일 재구성 대비(MultiRC)라는 새로운 딥러닝 프레임워크를 제안합니다.
대규모 데이터셋 증류에서 방대한 양의 보조 소프트 레이블 없이도 높은 성능을 달성할 수 있으며, 이는 클래스 내 이미지 다양성을 높이고 랜덤 레이블 프루닝 기법을 통해 소프트 레이블 저장 공간을 효율적으로 줄일 수 있기 때문입니다.